torch.utils.tensorboard
在继续之前,可以在 https://www.tensorflow.org/tensorboard/ 上找到有关 TensorBoard 的更多详细信息。
安装 TensorBoard 后,这些实用程序使您可以将 PyTorch 模型和指标记录到目录中,以便在 TensorBoard UI 中进行可视化。 PyTorch 模型和张量以及 Caffe2 网络和 Blob 均支持标量,图像,直方图,图形和嵌入可视化。
SummaryWriter 类是您用来登录数据以供 TensorBoard 使用和可视化的主要条目。 例如:
import torch
import torchvision
from torch.utils.tensorboard import SummaryWriter
from torchvision import datasets, transforms
# Writer will output to ./runs/ directory by default
writer = SummaryWriter()
transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.5,), (0.5,))])
trainset = datasets.MNIST('mnist_train', train=True, download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=64, shuffle=True)
model = torchvision.models.resnet50(False)
# Have ResNet model take in grayscale rather than RGB
model.conv1 = torch.nn.Conv2d(1, 64, kernel_size=7, stride=2, padding=3, bias=False)
images, labels = next(iter(trainloader))
grid = torchvision.utils.make_grid(images)
writer.add_image('images', grid, 0)
writer.add_graph(model, images)
writer.close()
然后可以使用 TensorBoard 对其进行可视化,该 TensorBoard 应该可通过以下方式安装和运行:
pip install tensorboard
tensorboard --logdir=runs
一个实验可以记录很多信息。 为了避免 UI 混乱和更好地将结果聚类,我们可以通过对图进行分层命名来对图进行分组。 例如,“损失/训练”和“损失/测试”将被分组在一起,而“准确性/训练”和“准确性/测试”将在 TensorBoard 界面中分别分组。
from torch.utils.tensorboard import SummaryWriter
import numpy as np
writer = SummaryWriter()
for n_iter in range(100):
writer.add_scalar('Loss/train', np.random.random(), n_iter)
writer.add_scalar('Loss/test', np.random.random(), n_iter)
writer.add_scalar('Accuracy/train', np.random.random(), n_iter)
writer.add_scalar('Accuracy/test', np.random.random(), n_iter)
预期结果:
class torch.utils.tensorboard.writer.SummaryWriter(log_dir=None, comment='', purge_step=None, max_queue=10, flush_secs=120, filename_suffix='')¶
将条目直接写入 log_dir 中的事件文件,以供 TensorBoard 使用。
<cite>SummaryWriter</cite> 类提供了一个高级 API,用于在给定目录中创建事件文件并向其中添加摘要和事件。 该类异步更新文件内容。 这允许训练程序从训练循环中调用直接将数据添加到文件的方法,而不会减慢训练速度。
__init__(log_dir=None, comment='', purge_step=None, max_queue=10, flush_secs=120, filename_suffix='')¶
创建一个 <cite>SummaryWriter</cite> ,它将事件和摘要写到事件文件中。
参数
-
log_dir (字符串)–保存目录位置。 默认值为运行次数/ CURRENT_DATETIME_HOSTNAME ,每次运行后都会更改。 使用分层文件夹结构可以轻松比较运行情况。 例如 为每个新实验传递“ runs / exp1”,“ runs / exp2”等,以便在它们之间进行比较。
-
注释(字符串)–注释 log_dir 后缀附加到默认值
log_dir
。 如果分配了log_dir
,则此参数无效。 -
purge_step (python:int )–当日志记录在步骤崩溃并在步骤重新启动时,将清除 global_step 大于或等于的所有事件, 隐藏在 TensorBoard 中。 请注意,崩溃的实验和恢复的实验应具有相同的
log_dir
。 -
max_queue (python:int )–在“添加”调用之一强行刷新到磁盘之前,未决事件和摘要的队列大小。 默认值为十个项目。
-
flush_secs (python:int )–将挂起的事件和摘要刷新到磁盘的频率(以秒为单位)。 默认值为每两分钟一次。
-
filename_suffix (字符串)–后缀添加到 log_dir 目录中的所有事件文件名中。 在 tensorboard.summary.writer.event_file_writer.EventFileWriter 中有关文件名构造的更多详细信息。
例子:
from torch.utils.tensorboard import SummaryWriter
# create a summary writer with automatically generated folder name.
writer = SummaryWriter()
# folder location: runs/May04_22-14-54_s-MacBook-Pro.local/
# create a summary writer using the specified folder name.
writer = SummaryWriter("my_experiment")
# folder location: my_experiment
# create a summary writer with comment appended.
writer = SummaryWriter(comment="LR_0.1_BATCH_16")
# folder location: runs/May04_22-14-54_s-MacBook-Pro.localLR_0.1_BATCH_16/
add_scalar(tag, scalar_value, global_step=None, walltime=None)¶
将标量数据添加到摘要中。
Parameters
-
标记(字符串)–数据标识符
-
标量值 (python:float 或 字符串/名称)–要保存的值
-
global_step (python:int )–要记录的全局步长值
-
walltime (python:float )–可选,以事件发生后的秒数覆盖默认的 walltime(time.time())
Examples:
from torch.utils.tensorboard import SummaryWriter
writer = SummaryWriter()
x = range(100)
for i in x:
writer.add_scalar('y=2x', i * 2, i)
writer.close()
Expected result:
add_scalars(main_tag, tag_scalar_dict, global_step=None, walltime=None)¶
将许多标量数据添加到摘要中。
请注意,此函数还将已记录的标量保存在内存中。 在极端情况下,它会炸毁您的 RAM。
Parameters
-
main_tag (字符串)–标记的父名称
-
tag_scalar_dict (dict )–存储标签和对应值的键值对
-
global_step (python:int) – Global step value to record
-
walltime (python:float )–可选的替代默认时间 Walltime(time.time())秒
Examples:
from torch.utils.tensorboard import SummaryWriter
writer = SummaryWriter()
r = 5
for i in range(100):
writer.add_scalars('run_14h', {'xsinx':i*np.sin(i/r),
'xcosx':i*np.cos(i/r),
'tanx': np.tan(i/r)}, i)
writer.close()
# This call adds three values to the same scalar plot with the tag
# 'run_14h' in TensorBoard's scalar section.
Expected result:
add_histogram(tag, values, global_step=None, bins='tensorflow', walltime=None, max_bins=None)¶
将直方图添加到摘要中。
Parameters
-
tag (string) – Data identifier
-
值 (torch张量 , numpy.array 或 字符串/名称)–建立直方图的值
-
global_step (python:int) – Global step value to record
-
容器(字符串)– {'tensorflow','auto','fd',…}中的一种。 这决定了垃圾桶的制作方式。 您可以在以下位置找到其他选项: https://docs.scipy.org/doc/numpy/reference/generated/numpy.histogram.html
-
walltime (python:float) – Optional override default walltime (time.time()) seconds after epoch of event
Examples:
from torch.utils.tensorboard import SummaryWriter
import numpy as np
writer = SummaryWriter()
for i in range(10):
x = np.random.random(1000)
writer.add_histogram('distribution centers', x + i, i)
writer.close()
Expected result:
add_image(tag, img_tensor, global_step=None, walltime=None, dataformats='CHW')¶
将图像数据添加到摘要。
注意,这需要pillow
程序包。
Parameters
-
tag (string) – Data identifier
-
img_tensor (torch张量 , numpy.array 或 字符串/名称)–图像数据
-
global_step (python:int) – Global step value to record
-
walltime (python:float) – Optional override default walltime (time.time()) seconds after epoch of event
Shape:
img_tensor:默认为。 您可以使用torchvision.utils.make_grid()
将一批张量转换为 3xHxW 格式,或者调用add_images
让我们完成这项工作。 只要传递了相应的dataformats
自变量,也可以使用带有,和的张量。 例如 CHW,HWC,HW。
Examples:
from torch.utils.tensorboard import SummaryWriter
import numpy as np
img = np.zeros((3, 100, 100))
img[0] = np.arange(0, 10000).reshape(100, 100) / 10000
img[1] = 1 - np.arange(0, 10000).reshape(100, 100) / 10000
img_HWC = np.zeros((100, 100, 3))
img_HWC[:, :, 0] = np.arange(0, 10000).reshape(100, 100) / 10000
img_HWC[:, :, 1] = 1 - np.arange(0, 10000).reshape(100, 100) / 10000
writer = SummaryWriter()
writer.add_image('my_image', img, 0)
# If you have non-default dimension setting, set the dataformats argument.
writer.add_image('my_image_HWC', img_HWC, 0, dataformats='HWC')
writer.close()
Expected result:
add_images(tag, img_tensor, global_step=None, walltime=None, dataformats='NCHW')¶
将批处理的图像数据添加到摘要中。
Note that this requires the pillow
package.
Parameters
-
tag (string) – Data identifier
-
img_tensor (torch.Tensor, numpy.array__, or string/blobname) – Image data
-
global_step (python:int) – Global step value to record
-
walltime (python:float) – Optional override default walltime (time.time()) seconds after epoch of event
-
数据格式(字符串)– NCHW,NHWC,CHW,HWC,HW,WH 等形式的图像数据格式规范
Shape:
img_tensor:默认为。 如果指定dataformats
,将接受其他形状。 例如 NCHW 或 NHWC。
Examples:
from torch.utils.tensorboard import SummaryWriter
import numpy as np
img_batch = np.zeros((16, 3, 100, 100))
for i in range(16):
img_batch[i, 0] = np.arange(0, 10000).reshape(100, 100) / 10000 / 16 * i
img_batch[i, 1] = (1 - np.arange(0, 10000).reshape(100, 100) / 10000) / 16 * i
writer = SummaryWriter()
writer.add_images('my_image_batch', img_batch, 0)
writer.close()
Expected result:
add_figure(tag, figure, global_step=None, close=True, walltime=None)¶
将 matplotlib 图形渲染为图像,并将其添加到摘要中。
注意,这需要matplotlib
程序包。
Parameters
-
tag (string) – Data identifier
-
图形 (matplotlib.pyplot.figure )–图形或图形列表
-
global_step (python:int) – Global step value to record
-
关闭 (bool )–自动关闭图形的标志
-
walltime (python:float) – Optional override default walltime (time.time()) seconds after epoch of event
add_video(tag, vid_tensor, global_step=None, fps=4, walltime=None)¶
将视频数据添加到摘要。
注意,这需要moviepy
程序包。
Parameters
-
tag (string) – Data identifier
-
vid_tensor (torch张量)–视频数据
-
global_step (python:int) – Global step value to record
-
fps (python:float 或 python:int )–每秒帧数
-
walltime (python:float) – Optional override default walltime (time.time()) seconds after epoch of event
Shape:
vid_tensor:。 对于 <cite>uint8</cite> 类型,值应位于[0,255]中;对于 <cite>float</cite> 类型,值应位于[0,1]中。
add_audio(tag, snd_tensor, global_step=None, sample_rate=44100, walltime=None)¶
将音频数据添加到摘要。
Parameters
-
tag (string) – Data identifier
-
snd_tensor (torch张量)–声音数据
-
global_step (python:int) – Global step value to record
-
sample_rate (python:int )–以 Hz 为单位的采样率
-
walltime (python:float) – Optional override default walltime (time.time()) seconds after epoch of event
Shape:
snd_tensor:。 值应介于[-1,1]之间。
add_text(tag, text_string, global_step=None, walltime=None)¶
将文本数据添加到摘要。
Parameters
-
tag (string) – Data identifier
-
text_string (字符串)–要保存的字符串
-
global_step (python:int) – Global step value to record
-
walltime (python:float) – Optional override default walltime (time.time()) seconds after epoch of event
Examples:
writer.add_text('lstm', 'This is an lstm', 0)
writer.add_text('rnn', 'This is an rnn', 10)
add_graph(model, input_to_model=None, verbose=False)¶
add_embedding(mat, metadata=None, label_img=None, global_step=None, tag='default', metadata_header=None)¶
将嵌入的投影仪数据添加到摘要中。
Parameters
-
垫 (torch张量 或 numpy.array )–矩阵,每行是特征向量 数据点
-
元数据(列表)–标签列表,每个元素将转换为字符串
-
label_img (炬管张紧器)–图像对应于每个数据点
-
global_step (python:int) – Global step value to record
-
标签(字符串)–嵌入的名称
Shape:
垫子:,其中 N 是数据数量,D 是特征尺寸
label_img:
Examples:
import keyword
import torch
meta = []
while len(meta)<100:
meta = meta+keyword.kwlist # get some strings
meta = meta[:100]
for i, v in enumerate(meta):
meta[i] = v+str(i)
label_img = torch.rand(100, 3, 10, 32)
for i in range(100):
label_img[i]*=i/100.0
writer.add_embedding(torch.randn(100, 5), metadata=meta, label_img=label_img)
writer.add_embedding(torch.randn(100, 5), label_img=label_img)
writer.add_embedding(torch.randn(100, 5), metadata=meta)
add_pr_curve(tag, labels, predictions, global_step=None, num_thresholds=127, weights=None, walltime=None)¶
添加精度召回曲线。 绘制精确召回曲线可以让您了解模型在不同阈值设置下的性能。 使用此功能,您可以为每个目标提供地面真相标签(T / F)和预测置信度(通常是模型的输出)。 TensorBoard UI 将允许您交互选择阈值。
Parameters
-
tag (string) – Data identifier
-
标签 (torch张量 , numpy.array 或 字符串/名称)–基本事实数据。 每个元素的二进制标签。
-
预测 (torch张量 , numpy.array 或 string / blobname )–元素归类为 true 的概率。 值应为[0,1]
-
global_step (python:int) – Global step value to record
-
num_thresholds (python:int )–用于绘制曲线的阈值数。
-
walltime (python:float) – Optional override default walltime (time.time()) seconds after epoch of event
Examples:
from torch.utils.tensorboard import SummaryWriter
import numpy as np
labels = np.random.randint(2, size=100) # binary label
predictions = np.random.rand(100)
writer = SummaryWriter()
writer.add_pr_curve('pr_curve', labels, predictions, 0)
writer.close()
add_custom_scalars(layout)¶
通过在“标量”中收集图表标签来创建特殊图表。 请注意,该函数只能为每个 SummaryWriter()对象调用一次。 因为它仅向张量板提供元数据,所以可以在训练循环之前或之后调用该函数。
Parameters
布局 (dict )– {类别名称:图表},其中_图表_也是字典{chartName: ListOfProperties ]}。 ListOfProperties 中的第一个元素是图表的类型(多线或保证金之一),第二个元素应是包含您在 add_scalar 中使用的标签的列表。 函数,它将被收集到新图表中。
Examples:
layout = {'Taiwan':{'twse':['Multiline',['twse/0050', 'twse/2330']]},
'USA':{ 'dow':['Margin', ['dow/aaa', 'dow/bbb', 'dow/ccc']],
'nasdaq':['Margin', ['nasdaq/aaa', 'nasdaq/bbb', 'nasdaq/ccc']]}}
writer.add_custom_scalars(layout)
add_mesh(tag, vertices, colors=None, faces=None, config_dict=None, global_step=None, walltime=None)¶
将网格或 3D 点云添加到 TensorBoard。 可视化基于 Three.js,因此它允许用户与渲染的对象进行交互。 除了顶点,面部之类的基本定义外,用户还可以提供相机参数,光照条件等。请检查 https://threejs.org/docs/index.html#manual/en/introduction/Creating-a -scene 用于高级用法。
Parameters
-
tag (string) – Data identifier
-
顶点 (torch张量)–顶点的 3D 坐标列表。
-
颜色 (torch张量)–每个顶点的颜色
-
面 (torch张量)–每个三角形内的顶点的索引。 (可选的)
-
config_dict –具有 ThreeJS 类名称和配置的字典。
-
global_step (python:int) – Global step value to record
-
walltime (python:float) – Optional override default walltime (time.time()) seconds after epoch of event
Shape:
顶点:。 (批次,顶点数,渠道)
颜色:。 对于 <cite>uint8</cite> 类型,值应位于[0,255]中;对于 <cite>float</cite> 类型,值应位于[0,1]中。
面孔:。 对于 <cite>uint8</cite> 类型,这些值应位于[0,number_of_vertices]中。
Examples:
from torch.utils.tensorboard import SummaryWriter
vertices_tensor = torch.as_tensor([
[1, 1, 1],
[-1, -1, 1],
[1, -1, -1],
[-1, 1, -1],
], dtype=torch.float).unsqueeze(0)
colors_tensor = torch.as_tensor([
[255, 0, 0],
[0, 255, 0],
[0, 0, 255],
[255, 0, 255],
], dtype=torch.int).unsqueeze(0)
faces_tensor = torch.as_tensor([
[0, 2, 3],
[0, 3, 1],
[0, 1, 2],
[1, 3, 2],
], dtype=torch.int).unsqueeze(0)
writer = SummaryWriter()
writer.add_mesh('my_mesh', vertices=vertices_tensor, colors=colors_tensor, faces=faces_tensor)
writer.close()
add_hparams(hparam_dict=None, metric_dict=None)¶
添加一组要在 TensorBoard 中进行比较的超参数。
Parameters
-
hparam_dict (dict )–字典中的每个键值对都是超参数的名称及其对应的值。
-
metric_dict (dict )–词典中的每个键值对都是指标的名称及其对应的值。 请注意,此处使用的密钥在张量板记录中应该是唯一的。 否则,由
add_scalar
添加的值将显示在 hparam 插件中。 在大多数情况下,这是不需要的。
Examples:
from torch.utils.tensorboard import SummaryWriter
with SummaryWriter() as w:
for i in range(5):
w.add_hparams({'lr': 0.1*i, 'bsize': i},
{'hparam/accuracy': 10*i, 'hparam/loss': 10*i})
Expected result:
flush()¶
将事件文件刷新到磁盘。 调用此方法以确保所有未决事件均已写入磁盘。
close()¶